Fördelningar efter CTR
För enskilda särdrag är det användbart att titta på både fördelningen av särdragen och hur de varierar med den variabel man är intresserad av. I den här övningen utforskar du särdragen search_engine_type, som representerar ett heltal som anger sökmotorn – till exempel Google eller Bing – via vilken användaren visade intresse innan annonsen visades. Av integritetsskäl är dessa kategorier anonymiserade. Först konstruerar du och tittar på fördelningen av search_engine_type. Sedan undersöker du hur CTR varierar baserat på värdet för search_engine_type, på liknande sätt som du tittade på CTR-fördelning efter enhetstyp och bannerposition i föregående kapitel.
Exempeldata i DataFrame-format är inläst som df. pandas som pd är också tillgängligt i din arbetsmiljö.
Den här övningen är en del av kursen
Förutsäga CTR med maskininlärning i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Construct bar chart for clicks by search engine type
se_df = df.____(['search_engine_type', 'click']).size().unstack()
se_df.plot(kind = 'bar', title = 'Value frequency for search engine type')
plt.show()